PENENTUAN PRODUK ASURANSI BPJS BERDASARKAN PROFIL PELANGGAN DENGAN PENDEKATAN K-NEAREST NEIGHBOR MANHATTAN DISTANCE

IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520



1

PENENTUAN PRODUK ASURANSI BPJS BERDASARKAN PROFIL PELANGGAN DENGAN PENDEKATAN K-NEAREST NEIGHBOR MANHATTAN DISTANCE Titis Dwi Rahmawati, Fajrian Nur Adnan, M.CS Jursan Sistem Informasi, Ilmu Komputer, Universitas Dian Nuswantoro Fakultas Ilmu Komputer Universitas Dian Nuswantoro Semarang Jalan Nakula I No. 5-11 Semarang 50131 Telp : (024) 3517261, Fax : (024) 3520165 E-mail : [email protected] 1, [email protected]

Abstrak Dengan semakin berkembangnya kebutuhan masyarakat asuransi menjadi hal yang diperlukan dan sangat dibutuhkan oleh masyarakat. Dalam kasus asuransi jiwa produk yang ditawarkan oleh perusahaan asuransi sangat beragam. Hal ini menyebabkan customer mengalami kebinggungan dalam menentukan pilihan produk asuransi yang akan mereka beli. Padahal setiap produk memiliki fungsi yang berbedabeda. Customer harus memilih produk tersebut dengan teliti sesuai dengan kebutuhan sehingga tidak salah memilih produk dan mengalami kerugian dengan membeli produk asuransi yang salah. Laporan tugas akhir ini akan membahas tentang memprediksi produk yang tepat untuk dipromosikan terhadap customer sesuai dengan profile customer. Dengan menggunakan data pelanggan yang diperoleh dari BPJS Cabang II Semarangyang ada akan dilakukan perhitungan yang akan menghasilkan prediksi produk asuransi yang akan dipromosikan terhadap pelanggan, menggunakan algoritma K-Nearest Neighbor Manhattan Distance, serta penggunaan MATLAB untuk pengotomatisasian perhitungan KNN Manhattan Distance. Dari laporan ini dihasilkan program yang diharapkan dapat memberikan rekomendasi produk untuk ditawarkan terhadap customer sesuai dengan profile customer.

Kata kunci : Algoritma KNN, Data Mining,Manhattan Distance, Asuransi, Klasifikasi, Penentuan Produk Asuransi

Abstract Nowdays the needs in society is increasing and so diverse, this make insurance bocomes necessary and needed by society. There is so many variant of life insurance product, this make the customer confused to choose which life insurance product they should buy. In fact, product have different function. Customers should choose the products carefully according to the their need so that no one choose the wrong insurance products and experience loss. This research will discuss about the right product to be promoted to the customer in accordance with the customer profile. Using customer data obtained from BPJS Cabang II Semarang predictions of insurance products to be promoted to customers will be calculated using K-Nearest Neighbor Algorythm with Manhattan Distance, as well as the use of MATLAB for automating the calculation of KNN Manhattan Distance. The outcome of this research is a MATLAB program that is expected to provide product recommendation who can be offered to the cutomer in accordance with the customer profile.

Key words : KNN Algorythm, Data Mining,Manhattan Distance, Insurance, Classification, Insurance Product Recommendation

1. PENDAHULUAN

Asuransi telah menjadi sebuah kebutuhan yang lazim di era yang semakin berkembang dan maju seperti saat ini. Dengan semakin berkembangnya kebutuhan masyarakat, asuransi menjadi hal yang diperlukan dan sangat dibutuhkan. Perusahaan asuransi menawarkan banyak produk asuransi seperti asuransi jiwa, asuransi pendidikan, asuransi kendaraan, asuransi haji. Semakin berkembangnya produk yang ditawarkan

Journal of Information System

2



ISSN: 1978-1520

oleh perusahaan ini didorong oleh kemajuan industri asuransi yang semakin berkembang di Indonesia [1]. Persaingan antar perusahaan untuk meningkatkan volume penjualan produk semakin ketat oleh sebab itu perusahaan perlu melakukan hal hal inovatif agar mereka mampu bersaing dengan perusahaan asuransi yang lain. Dalam kasus asuransi, produk yang ditawarkan oleh perusahaan asuransi sangat beragam. Hal ini menyebabkan customer mengalami kebinggungan dalam menentukan pilihan produk asuransi yang akan dibeli. Padahal setiap produk memiliki fungsi yang berbeda-beda. Customer harus memilih produk tersebut dengan teliti sesuai dengan kebutuhan sehingga tidak salah memilih produk dan mengalami kerugian dengan membeli produk asuransi yang salah. BPJS Ketenagakerjaan merupakan salah satu perusahaan asuransi yang ada di Indonesia yang melayani masyarakat dengan jasa asuransi ketenagakerjaan. Ada 4 produk yang ditawarkan oleh BPJS Ketenagakerjaan, yaitu JKK (Jaminan Kecelakaan Kerja), JHT (Jaminan Hari Tua), JKM (Jaminan Kematian) dan JP (Jaminan Pensiun). Berdasarkan data yang diperoleh dari pihak BPJS jumlah pengguna asuransi ketenagakerjaan cukup banyak. Dari jumlah tersebut dapat diketahui bahwa pengguna asuransi ketenagakerjaan sangatlah beragam, mereka memiliki rentang umur, pekerjaan, dan penghasilan yang berbeda beda. Dengan kriteria pengguna yang berbeda-beda perusahaan harus mampu mengetahui kebutuhan asuransi jenis apakah yang paling tepat untuk pengguna tersebut. Perusahaan memiliki data yang cukup besar. Data tersebut apabila diolah menggunakan teknologi dengan benar maka akan menghasilkan informasi yang dapat membantu dalam strategi kemajuan perusahaan. Dengan manfaat yang dapat diperoleh dari pengolahan data tersebut maka diperlukan teknologi dan metode yang tepat untuk mengolah data tersebut agar dapat menghasilkan informasi yang bermanfaat bagi perusahaan. Mengolah data tersebut guna memprediksi minat konsumen terhadap asuransi sangatlah membantu perusahaan guna memberikan rekomendasi jenis produk asuransi yang tepat bagi seorang konsumen. Metode classification merupakan salah satu metode yang digunakan dalam mengolah data. Classification merupakan proses guna menentukan model maupun fungsi yang menjelaskan atau membedakan konsep atau kelas data yang bertujuan untuk memperkirakan kelas dari sebuah objek yang labelnya tidak diketahui. Proses classification membentuk model yang dapat mengelompokkan data kedalam kelas-kelas tertentu berdasarkan aturan dan fungsi tertentu. Model tersebut dapat berupa pohon keputusan ataupun formula matematis [2]. Berdasarkan International Conference on Data Mining (ICDM) menyatakan bahwa algoritma KNN merupakan salah satu algoritma terbaik dalam Top 10 algorithm in data mining [3]. Beberapa penelitian menggunakan algoritma KNN sudah dilakukan dan memberikan hasil yang baik. Selain sebagai salah satu algoritma klasifikasi tertua dan algoritma yang mudah digunakan, KNN memberikan solusi klasifikasi berdasarkan dari kelas terdekat dari k parameter. Mengingat manfaat dari pengolahan data yang dapat menghasilkan informasi yang bermanfaat bagi perusahaan maka penulis bermaksut untuk melakukan penelitian dengan mengolah data sebuah perusahaan asuransi guna memprediksi produk asuransi yang tepat untuk dipromosikan terhadap pelanggan yang sesuai dengan kriteria pelanggan.

Journal of Information System rst_page – end_page

IJCCS

ISSN: 1978-1520

 3

2. METODE PENELITIAN

Objek penelitian pada tugas akhir ini adalah BPJS Cabang II Semarang, perusahaan ini akan dibuatkan program untuk mmeprediksi produk asuransi yang akan dipromosikan terhadap konsumen menggunakan pendekatan K-Nearest Neighbor Manhattan Distance. Algoritma KNN termasuk dalam jenis klasifikasi pada data mining. Algoritma k-nearest neighbor (k-NN atau KNN) adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. KNN bertujuan untuk menemukan pola baru dalam data dengan menghubungkan pola data yang sudah ada dengan data yang baru. Contoh aturan asosiasi dalam sebuah perusahaan asuransi yaitu dapat mengetahui pola dari pelanggan dalam menentukan produk asuransi. Dengan pengetahuan tersebut maka perusahaan dapat melakukan prediksi produk asuransi yang akan dipromosikan terhadap pelanggan baru. Tujuan dari algoritma k-NN adalah untuk mengklasifikasi objek baru berdasarkan atribut dan training samples. Dimana hasil dari sampel uji yang baru diklasifikasikan berdasarkan mayoritas dari kategori pada k-NN. Pada proses pengklasifikasian, algoritma ini tidak menggunakan model apapun untuk dicocokkan dan hanya berdasarkan pada memori. Algoritma k-NN menggunakan klasifikasi ketetanggaan sebagai nilai prediksi dari sampel uji yang baru. Algoritma k-NN adalah algoritma yang menentukan nilai jarak pada pengujian data testing dengan data training berdasarkan nilai terkecil dari nilai ketetanggaan terdekat didefinisikan sebagi berikut:

Langkah-langkah KNN: 1. Menentukan parameter K (jumlah tetangga paling dekat). 2. Menghitung kuadrat jarak Euclid (query instance) masing -masing objek terhadap data sampel yang diberikan. 3. Kemudian mengurutkan objek-objek tersebut kedalam kelompok yang mempunyai jarak Euclid terkecil. 4. Mengumpulkan kategori Y (Klasifikasi nearest neighbor). 5. Dengan menggunakan kategori nearest neighbor yang paling mayoritas maka dapat diprediksikan nilai query instance yang telah dihitung.

3. HASIL DAN PEMBAHASAN

3.1 Data Pelanggan Data pelanggan yang diperoleh dari BPJS Ketenagakerjaan Cabang II Semarang berupa data primer dalam bentuk exel. Data tersebut berisikan field-field yang menggambarkan ciri-ciri seorang customer yang terdiri dari no, nama, sex, alamat, lahir, perusahaan, upah dan program. Data tersebut perlu diolah terlebih dahulu kedalam dataset SQLyog sebelum nantinya diolah dalam program perhitungan MATLAB untuk melakukan perhitungan.

Journal of Information System and clear, implies research results (First Author)

4



ISSN: 1978-1520

Gambar 1 Data Pelanggan

3.2 Pre- processing data Step pertama yang dilakukan dalam pre- proccesing data yaitu penyeleksian data atau data selection, namun karena data yang diperoleh dari BPJS Ketenagakerjaan Cabang Semarang hanya ada satu data yaitu data konsumen maka tidak perlu dilakukan proses data selection. Karena tidak perlu dilakukannya proses data selection maka proses dilanjutkan pada tahap data cleaning. Step yang kedua yang dilakukan yaitu pre-processing / cleaning, pada pre-processing / cleaning dilakukan proses penghilangan attribute-attribute yang tidak diperlukan dalam proses penghitungan supaya tidak memakan banyak space. Data konsumen perlu dihilangkan dari kesalahan data yang ada seperti data yang sama, inkonsisten data dan kesalahan data. Data konsumen yang semula terdiri dari no urut, nama, sex, alamat, lahir, perusahaan, gaji dan program, dalam tahapan ini data tersebut akan dijadikan menjadi no, sex, lahir, gaji dan program. Dalam data konsumen alamat dan perusahaan perlu dihilangkan hal ini dikarenakan alamat dan perusahaan tidak digunakan dalam proses data mining karena memiliki keinkonsistenan data. Untuk mendapatkan tabel tersebut dilakukan proses query sebagai berikut select no, sex, lahir, gaji, program from bpjs berikut hasil dari pre-processing / cleaning.

Gambar 2 Perubahan Data pada Proses Pre-processing / Cleaning

Setelah attribute selection tahap selanjutnya adalah transformation, dimana pengimplementasian algoritma ke dalam data yang telah dipilih sehingga data tersebut sesuai untuk proses data mining. Langkah awal yang harus dilakukan dalam proses ini Journal of Information System rst_page – end_page

IJCCS

ISSN: 1978-1520

 5

adalah mengkoneksikan data konsumen ke dalam MATLAB. Data tersebut perlu dikoneksikan agar menjadi database. Proses ini bertujuan agar nantinya data berupa satu file dan tidak diperlukan banyak data untuk diproses. Setelah data tersebut diimpor menjadi database maka data tersebut dikoneksikan dengan MATLAB untuk kemudian dilakukan proses selanjutnya yaitu data transformation. Dalam tahapan ini terdapat proses dimana variable sex dan program yang semula berupa character akan dirubah sesuai dengan aturan asci. Variable sex terdiri dari L dan P maka akan dirubah kedalam bilangan decimal sesuai dengan aturan ASCI. L akan berubah menjadi 76 sedangkan P akan berubah menjadi 80. Variable Program yang berisi jenis program yang diambil juga akan dikonversi kedalam bilangan decimal sesuai aturan ASCI. Ada 4 jenis program yang ada dalam BPJS yaitu JHT, JKK, JKM dan JP yang apabila dikonversikan dalam ASCI menjadi 230, 224, 226, 154. Berikut merupakan contoh perhitungan variable Program yang dibahas dalam tabel di bawah ini.

Gambar 3 Tahap Konversi ASCI

Hal ini dilakukan guna memudahkan dalam proses pengimplementasian algoritma. Hasil dari proses perubahan tersebut dapat dilihat pada gambar di bawah ini

Gambar 4 Perubahan Variabel Sex dan Program

3.2 Proses Perhitungan dan hasil program Setelah dilakukannya pre-proccessing data step yang dilakukan selanjutnya yaitu proses peritungan, pada proses perhitungan di kasus ini memerlukan extra tenaga karena data Journal of Information System and clear, implies research results (First Author)

6



ISSN: 1978-1520

yang dihitung sangatlah banyak, transaksi yang digunakan untuk proses perhitungan ini adalah 1499 record, jadi supaya proses perhitungan yang dilakukan tidak memakan waktu lama dan menyusahkan, disini dibuatlah program perhitungan menggunakan algoritma K-Nearst Neighbor untuk menemukan pola pelanggan dalam menentukan produk asuransi sehingga dapat dilakukan untuk memprediksi produk yang akan dipromosikan kepada pelanggan. Berikut merupakan tampilan program perhitungan yang dibuat

Gambar 5 Screenshoot Program

Dalam program tersebut yang perlu dilakukan hanya menentukan sex, lahir dan upah dari kriteria pelanggan lalu setelah itu menekan tombol check maka akan muncul hasil prediksi produk asuransi yang dapat dipromosikan terhadap pelanggan berdasarkan kriteria yang telah diinputkan. Untuk membuktikan bahwa proses perhitungan ini benar maka dilakukan proses pengujian dengan cara perhitungan secara manual seperti berikut. Dalam program K-Nearest Neighbor yang dibuat telah memuat 1499 data pelanggan yang akan digunakan untuk melakukan customer profiling. Dalam perhitungan ini akan dipilih sejumlah data untuk dijadikan sample dalam proses perhitungan manual ini. Dari 1499 data pelanggan yang telah diperoleh akan dipilih 50 data random untuk dijadikan sample dalam melakukan perhitungan manual, berikut merupakan proses perhitungan manual tersebut. Berikut merupakan 50 data random yang dijadikan sample tersebut.


IJCCS

ISSN: 1978-1520

 7

Gambar 6 Data Sampel

Tahapan awal dari proses perhitungan manual algoritma K-Nearest Neighbor adalah menentukan nilai k, dan nilai k yang akan digunakan tersebut adalah 7. Nilai k ditentukan dengan bilangan ganjil dikarenakan nilai k yang ganjil untuk jumlah kelas yang genap akan memudahkan voting karena akan mengurangi kemungkinan terjadinya dua kelas yang mendapat voting yang sama. Setalah ditentukan jumlah k maka akan dihitung jarak setiap data training tersebut terhadap setiap variable [14]. Berikut merupakan contoh menghitung jarak terhadap data training yang dilakukan menggunakan metode perhitungan jarak Manhattan Distance atau city block distance. Dengan menjadikan data ke 796 sebagai data uji dalam perhitungan ini. 1. 2. 3. 4. 5. Dengan melakukan perhitungan yang sama seperti contoh diatas maka didapatkan hasil perhitungan jarak terhadap data ke 796 seperti pada tabel berikut ini. Journal of Information System and clear, implies research results (First Author)

8



ISSN: 1978-1520

Gambar 7 Tabel Hasil Perhitungan Jarak Data Sampel 796

Setelah dilakukan perhitungan jarak langkah selanjutnya adalah mengurutkan jarak tersebut berdasarkan kedekatannya. Berikut ini adalah hasil pengurutan jarak tersebut.

Gambar 8 Hasil Perankingan Jarak

Dari hasil perangkingan tersebut perlu dipilih jarak terdekat berdasarkan nilai k yang telah ditentukan, dalam hal ini akan dilakukan perhitungan dengan menggunakan nilai k 1, 3, 5,7, 11 maka akan dipilih ranking sesuai dengan nilai k data yang memiliki nilai kedekatan paling besar. Hasilnya ada dalam tabel berikut ini.

Gambar 9 Hasil Perangkingan Jarak Sesuai Dengan Nilai K 7

Berdasarkan tabel di atas dapat dilihat bahwa dengan nilai k=7 maka data dengan jarak terdekat terdiri dari data ke 739, 799, 810 dengan kelas program 1043, data ke 786 dengan kelas program 743, data ke 741 dengan kelas program 845, data ke 748 dengan kelas program 539 dan data ke 750 dengan kelas program 545. Oleh karena itu maka Journal of Information System rst_page – end_page

IJCCS

ISSN: 1978-1520

 9

dengan nilai k=7 dapat disimpulkan bahwa data uji diprediksi masuk dalam kelas program 1034, hal ini dikarenakan jumlah data dengan kelas program 1043 lebih banyak yaitu muncul 3 kali. Kelas program 1043 apabila dikonversikan merupakan program JKK, JKM, JHT dan JP. Maka dapat disimpulkan bahwa hasil dari program dan perhitungan manual memiliki hasil yang sama, hal ini dapat dilihat dari gambar di bawah ini.

Gambar 10 Perbandingan Hasil Program dan Hasil Perhitungan Manual

3.3

Evaluasi dan Pembahasan

Pola informasi yang dihasilkan dari proses data mining, perlu ditampilkan dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan. Tahap ini merupakan bagian dan proses KDD yang disebut interpretation. Tahap ini mencakup pemeriksaan apakah pola atau informasi yang ditemukan bertentangan dengan fakta atau hipotesis yang ada sebelumnya. Dibuktikan dari perhitungan yang dihitung sebelumnya, maka proses evaluation akan dibuktikan dengan data perbandingan hasil berikut ini.


10



ISSN: 1978-1520

Gambar 11 Hasil Perbandingan Perhitungan Program MATLAB KNN dan Hasil Asli

Dari hasil gambar diatas kemudian dilakukan perhitungan akurasi dengan menggunakan Confusion Matrix sebagai berikut.

Beberapa data yang tidak sesuai dengan dengan data asli ada 23 data yaitu sebagai berikut.


IJCCS

 11

ISSN: 1978-1520

Gambar 12 Hasil Ketidakcocokan

Dari gambar diatas akan dilakukan analisa mengapa bisa terjadi ketidakcocokan dari hasil perhitungan yang ada dalam program MATLAB KNN. Dapat dilihat bahwa data yang mengalami hasil ketidakcocokan tersebut memiliki pola, hal ini ditunjukkan lewat tabel dengan perbedaan warna yang ditunjukkan dalam tabel. Data dengan label 845 dalam data asli teridentifikasi sebagai label 1043, untuk mengetahui mengapa hal ini dapat terjadi maka akan dilakukan analisis guna untuk mengoreksi hasil yang kurang valid tersebut. Data dengan label 845 terdiri dari data ke 892 dan data 123, data tersebut memiliki variable seperti pada tabel 4.9 berikut ini. Tabel 1 Tabel Data ke 597 dan 86

Data ke 892 123

Sex 76 76

Lahir 1986 1988

Upah 2123500 2018000

Dengan label yang sama akan kita analisis alasan mengapa data tersebut diklasifikasikan kedalam program 'JKK, JHT, JKM,JP’. Berikut merupakan tabel yang mempresentasikan data dengan label yang sama dengan data yang mengalami ketidakcocokan hasil.


12



ISSN: 1978-1520

Gambar 13 Tabel Data dengan Label yang Sama

Dari tabel diatas dapat dilihat bahwa dengan label yang sama dan menerapkan nilai k yang telah ditentukan yaitu 5 maka ada 5 data yang terpilih paling dekat. Dari ke 5 data terpilih dalam data tersebut data dengan program 'JKK, JHT, JKM,JP’ muncul 4kali, yaitu pada data ke 871, 898, 902 dan 921. Hal inilah yang menyebabkan program menprediksi data uji tersebut ke dalam kelas program 'JKK, JHT, JKM,JP’. Selanjutnya kita juga dapat melihat bahwa dengan label yang sama data dengan kelas program 'JKK, JHT, JKM,JP’memiliki jumlah yang lebih banyak dibandingkan dengan data yang berkelas program 845. Data dengan kelas program 'JKK, JHT, JKM,JP’ juga merupakan data yang muncul lebih awal dari data yang memiliki kelas program 845 dalam urutan data pelanggan sehingga program akan secara otomatis mencari data paling dekat dengan data uji, yaitu kelas program 'JKK, JHT, JKM,JP’. Sehingga data yang harusnya berkelas program JKK, JHT, JKM diprediksi oleh program dengan kelas program (JKK, JHT, JKM, JP). Mengingat bahwa konsumen dapat memiliki potensi yang beragam dalam menentukan produk asuransi, hal ini dapat memicu berubahnya hasil prediksi dalam menentukan produk asuransi. 4. KESIMPULAN

Dari penelitian yang telah dilakukan dapat ditarik kesimpulan sebagai berikut: 1. Berdasarkan perhitungan yang dilakukan dari program MATLAB KNN menunjukkan bahwa prediksi terhadap produk asuransi yang akan dipromosikan terhadap pelanggan dapat dilakukan dengan menggunakan algoritma KNN dan perhitungan jarak Manhattan Distance terhadap data pelanggan yang sudah ada sebelumnya. Penentuan produk yang akan dipromosikan dapat diklasifikasikan berdasarkan label-label yang telah ditentukan seperti yang sudah dibahas dalam bab 4. 2. Hasil akurasi dari program MATLAB KNN yaitu 54% menunjukkan bahwa hasil prediksi minat konsumen terhadap produk asuransi teruji. Seperti halnya yang dijelaskan dalam bab 4 bahwa hasil prediksi yang tidak cocok bukanlah sebuah hasil yang salah melainkan seorang konsumen dapat memiliki berbagai potensi dalam mengambil keputusan untuk membeli produk asuransi.


IJCCS

 13

ISSN: 1978-1520 5. SARAN

Saran yang dapat diberikan kepada pihak BPJS Kota Semarang Cabang II adalah sebagai berikut: 1. Diharapkan BPJS untuk selalu melakukan analisa terhadap minat konsumen terhadap produk asuransi. Karena minat konsumen dapat berubah ubah, seperti yang dijelaskan dalam bab 4 bahwa konsumen dapat merubah pilihan mereka terhadap produk asuransi disaat muncul produk asuransi dari perusahaan. Mereka akan mempertimbangkan untuk membeli produk tersebut sesuai dengan kebutuhan mereka. 2. BPJS perlu melakukan inovasi baru guna untuk meningkatkan penjualan yang bertujuan untuk meningkatkan penjualan produk asuransi. Karena dengan adanya produk asuransi baru kemungkinan konsumen untuk membeli produk asuransi juga meningkat. Promosi penawaran produk yang tidak tepat terhadap pelanggan dapat menyebabkan pelanggan yang akan melakukan pembelian produk kemudian membatalkannya. Sehingga perusahaan perlu melakukan penawaran produk terhadap pelanggan dengan sangat hati hatberbelanja dan pihak alfamart juga tidak mengalami kerugian karena pembeli yang pergi karena ketidak nyamanan proses belanja yang dilakukannya. Selain itu saran yang dapat diberikan bagi penelitian ini adalah, pengembangan program agar lebih user friendly, sehingga user tidak perlu lagi mengotak-atik bagian dalam program akan tetapi hanya perlu berhadapan dengan user interface-nya. Walaupun program ini sudah dapat dikatakan user friendly akan tetapi alangkah baiknya bila ada yang lebih baik lagi.

DAFTAR PUSTAKA

[1] D. B. George Aloysius, “An approach to products placement in supermarkets using,” Journal of King Saud University – Computer and Information Sciences, vol. 25, no. 1, pp. 77-87, 2013. [2] “Albion

Research

Ltd.,”

[Online].

Available:

http://albionresearch.com/data_mining/market_basket.php. [Diakses 18 November 2015]. [3] Y. R. B. A. O. D. Yessica Nataliani, “Market Basket Analysis dengan Metode Fuzzy C-Covering untuk Menenntukan Pola Pembelian pada Toko Buku”. [4] Erwin, “Analisis Market Basket Dengan Algoritma Apriori dan FP-Growth”. [5] I. S. d. A. C. Seruni, “DESIGN OF PRODUCT PLACEMENT LAYOUT IN RETAIL SHOP,” MAKARA, TEKNOLOGI, vol. 9, pp. 43-47, 2005.




14

ISSN: 1978-1520

[6] P. P. J. d. M. Mourya, “A Study on Market Basket Analysis Using a Data Mining,” vol. 3, no. 6, 2013. [7] K. E. R. N. P. J. E. L. Mark J. Arnold, “Customer delight in a retail context: investigating delightful and terrible shopping experiences,” Journal of Business Research, vol. 58, no. 8, pp. 1132-1145, 2005. [8] “Wikipedia,”

[Online].

Available:

http://id.wikipedia.org/wiki/Supermarket.

[Diakses 9 November 2015]. [9] Alfamart,

“Alfamart,”

Alfamart,

2013.

[Online].

Available:

http://corporate.alfamartku.com/milestone. [Diakses 30 june 2016]. [10] B. Alma, Manajemen Pemasaran dan Pemasaran Jasa, Bandung: CV Alvabeta, 2009. [11] P. K. d. G. Armstrong, Prinsip-Prinsip Pemasaran. Edisi 13, Jilid 1, Jakarta: Erlangga, 201. [12] M.

team,

“Management

Study

Guide,”

[Online].

Available:

http://www.managementstudyguide.com/what-are-planograms.htm. [Diakses 26 November 2015]. [13] “Megeputer,”

[Online].

Available:

http://www.megaputer.com/company/cases/cambridge_mba.php3.

[Diakses

18

november 2015]. [14] u. Fayyad, Advance in Knowledge iscovery and Data Mining, MIT Press, 1996. [15] W. a. Frank, Data Mining: Practical Machine Learning Tools and Techniques Second Edition, San Francisco: Morgan Kauffman, 2005. [16] E. T. L. Kusrini, Algoritma Data Mining, Yogyakarta: Andi Offset, 2009. [17] B. A. Mohammed Al-Maolegi, “AN IMPROVED APRIORI ALGORITHM FOR,” International Journal on Natural Language Computing (IJNLC), vol. 3, 2014. [18] Y. Wicaksono, Membangun Bisnis Online dengan Mambo, Jakarta: PT. Elex


IJCCS

 15

ISSN: 1978-1520

Media Komputindo, 2008. [19] Anhar, Panduan Menguasai PH dan Mysql, Jakarta: Media Kita, 2010. [20] M. Arief, Pemrograman Web Dinamis Menggunakan Php dan Mysql, Yogyakarta: ANDI, 2011. [21] A.

Firmansyah,

“IlmuKomputer.Com,”

[Online].

Available:

http://ilmukomputer.com/. [Diakses 28 May 2016]. [22] “pengertian

autocad,”

[Online].

http://www.ilmucad.com/2015/06/pengertian-autocad.html.

Available: [Diakses

28

may

2016].


PENENTUAN PRODUK ASURANSI BPJS BERDASARKAN PROFIL PELANGGAN DENGAN PENDEKATAN K-NEAREST NEIGHBOR MANHATTAN DISTANCE

Recommend Documents